追问daily | 创造性心流源于何处？梦中的视觉体验与清醒时有何差异？福布斯人工智能50强榜单发布

█脑科学动态

梦境中的视觉体验与清醒时有何差异？

创造性心流源于何处？

细胞的“垃圾处理”帮助皮肤附近的神经元感知环境

大脑如何编码特定身份的奖励记忆？

预测误差如何增强视觉运动适应？

█AI行业动态

X AI发布Grok-1.5 Vision

Archetype AI 推出物理世界AI平台Newton™

福布斯人工智能50强榜单发布

█AI研发动态

突破性记忆模型：密集关联记忆模型研究进展

ChatGPT在生物信息学图形解读中展现潜力

BioBBC：增强生物医学实体检测的多特征模型

检索增强生成（RAG）的全面调查

STORM：自动化创作深度长篇内容

脑科学动态

梦境中的视觉体验与清醒时有何差异？

巴黎索邦大学的团队在一项新研究中，探索了REM睡眠中的视觉系统活动，尤其是梦境中的眼睛闭合体验。研究人员在参与者REM睡眠期间监测他们的梦中视觉体验和眼睑状态。通过特定的面部肌肉和呼吸信号，如快速鼻吸来指示梦中的视觉体验。研究发现，尽管通常在梦中闭眼无视觉体验，但也存在例外，这一发现挑战了清醒时的常规逻辑。此外，研究还观察到，与有视觉体验的梦境相比，无视觉体验的梦境中α波功率降低。这些发现揭示了梦境中视觉皮层的高度活跃性和某种自主性。研究发表在Current Biology上。

#梦境 #REM睡眠 #视觉系统 #睡眠质量 #α波

阅读论文：

Konkoly, K., Al-Youssef, S., Mazurek, C., Mallett, R., Morris, D., Gales, A., Arnulf, I., Oudiette, D., & Paller, K. (2024). Changes in Alpha Power and Visual Content after Closing One’s Dream-Eyes in REM Sleep (SSRN Scholarly Paper 4692171). https://doi.org/10.2139/ssrn.4692171

创造性心流源于何处？

来自德雷克塞尔大学创意研究实验室的最新研究发现，高水平的创造性心流状态与专业技能的深入掌握密切相关。这项由一对夫妇领导的研究，一位是认知神经科学家，另一位是大学写作讲师，他们利用爵士音乐即兴创作任务，通过科学方法揭示了创造性思维的脑部机制。

研究团队招募了32名经验不同的爵士吉他手，通过戴上电极帽记录他们在即兴演奏过程中的脑电波（EEG）。通过核心心流状态量表评估他们的心流状态，再利用SPM12软件分析心流相关的神经活动。结果显示，经验丰富的音乐家在高心流状态时，其大脑的前额叶活动减少，尤其在默认模式网络的后部节点活动也减少，这表明他们的脑部执行控制放松。相比之下，低经验的音乐家则没有显著的脑部活动变化。此外，高经验的音乐家在左半球显示出与心流相关的特定模态活动，而低经验的音乐家则在右半球显示出特定模态的去活化。这些发现表明，创造性心流是通过大量实践与减少认知控制实现的专业特定处理优化。研究发表在Neuropsychologia上。

#心流 #创造性 #爵士即兴 #脑电波 #认知神经科学

阅读论文：

Rosen, D., Oh, Y., Chesebrough, C., Zhang, F. (Zoe), & Kounios, J. (2024). Creative flow as optimized processing: Evidence from brain oscillations during jazz improvisations by expert and non-expert musicians. Neuropsychologia, 196, 108824. https://doi.org/10.1016/j.neuropsychologia.2024.108824

细胞的“垃圾处理”帮助皮肤附近的神经元感知环境

约翰霍普金斯医学院的研究团队发现了神经膜蛋白酶体（NMP）在外周神经系统中的存在及其功能。这项研究推翻了以往关于蛋白酶体只是细胞内垃圾处理机的传统观念，揭示了其在神经系统中的新角色。

研究团队首先在小鼠的背根神经节（DRG）神经元上发现了NMP，并利用单细胞RNA测序技术确定了表达NMP的神经元类型。通过在小鼠体内应用生物素-表柔米辛（一种NMP抑制剂），他们观察到对机械和疼痛刺激的反应敏感性明显下降。此外，研究还在体外DRG培养中展示了NMP抑制对细胞内钙信号的影响，表明这些蛋白酶体在神经元间的信号传递中起到关键作用，尤其是在感觉痛觉和瘙痒的过程中。研究发表在Cell Reports上。

#神经膜蛋白酶体 #感知痛觉 #感知瘙痒 #外周神经系统 #生物信号

阅读论文：

Landeros, E. V., Kho, S. C., Church, T. R., Brennan, A., Türker, F., Delannoy, M., Caterina, M. J., & Margolis, S. S. (2024). The nociceptive activity of peripheral sensory neurons is modulated by the neuronal membrane proteasome. Cell Reports, 0(0). https://doi.org/10.1016/j.celrep.2024.114058

大脑如何编码特定身份的奖励记忆？

由加州大学洛杉矶分校的研究团队进行的最新研究发现，大脑通过多巴胺传递来编码与特定身份相关的奖励记忆。该团队旨在解开环境刺激与奖励之间的关联如何存储于大脑的秘密，这一过程对于预测和决策至关重要。

研究团队采用了光纤荧光测量技术和光遗传学操控，结合了巴甫洛夫式线索-奖励条件反射和决策测试，以大鼠为实验对象。在大鼠完成基于奖励的决策任务时，使用光学刺激VTADA→BLA（腹侧被盖区到基底外侧杏仁核的投射）。实验结果表明，腹侧被盖区多巴胺对基底外侧杏仁核的投射不仅必需且足以推动特定的记忆编码，但这些记忆并不涉及一般的激励属性或增强。研究发表在Nature Neuroscience上。

#多巴胺 #奖励记忆 #光遗传学 #杏仁体 #认知模型

阅读论文：

Sias, A. C., Jafar, Y., Goodpaster, C. M., Ramírez-Armenta, K., Wrenn, T. M., Griffin, N. K., Patel, K., Lamparelli, A. C., Sharpe, M. J., & Wassum, K. M. (2024). Dopamine projections to the basolateral amygdala drive the encoding of identity-specific reward memories. Nature Neuroscience, 27(4), 728–736. https://doi.org/10.1038/s41593-024-01586-7

预测误差如何增强视觉运动适应？

在运动适应领域，科学家们一直在探究如何通过调整人体动作的精准度来适应环境变化。最新研究专注于理解隐式和显式运动适应的不同机制，特别是预测误差如何影响运动学习。显式策略有意识地纠正我们的运动，而隐式策略则通过错误信号逐渐纠正运动命令。

研究通过对比视觉引导和记忆引导的到达任务，探讨了视觉记忆对预测误差的影响。视觉引导任务依赖即时的视觉反馈进行隐式学习，而记忆引导任务则需更多认知加工。研究中使用了逐步旋转的视觉运动反馈来测试适应过程。结果表明，视觉引导任务的适应和保留率显著高于记忆引导任务。通过脑电图（EEG）监测发现，视觉引导任务在接收视觉反馈后Delta波段功率显著增加，指示出较大的预测误差。这一增加的预测误差有助于更可靠地更新内部模型，从而增强视觉运动适应。因此，研究认为预测误差的处理受到任务类型的影响，进而影响视觉运动适应的速率。研究发表在Scientific Reports上。

#视觉运动适应 #预测误差 #脑电图 #隐式学习 #记忆引导任务

阅读论文：

Numasawa, K., Miyamoto, T., Kizuka, T., & Ono, S. (2024). Prediction error in implicit adaptation during visually- and memory-guided reaching tasks. Scientific Reports, 14(1), 8582. https://doi.org/10.1038/s41598-024-59169-2

AI 行业动态

X AI发布Grok-1.5 Vision多模态模型

马斯克X AI公司最新发布了Grok-1.5 Vision（简称Grok-1.5V）多模态模型。该模型不仅能处理文本信息，还能分析各种视觉内容，包括文档、图表、截图和照片，其多功能性在当下的AI技术中表现突出。

在最新的基准测试中，Grok-1.5V 显示出了与先前的GPT 4V相媲美甚至部分超越的性能。特别是在全新的RealWorldQA真实世界物理空间基准测试中，Grok-1.5V 击败了所有竞争对手，包括GPT 4V。这一成就部分得益于模型利用特斯拉车载摄像头的数据进行训练，增强了其对现实世界动态的理解和响应。

RealWorldQA是一项创新的基准测试，专门设计来评估多模态模型在解读真实世界物理环境中的表现。该测试涵盖超过700个问题，其数据主要来源于实际车辆的前摄像头图像。在这样的高标准测试中，Grok-1.5V 的表现尤为出色，特别是在多学科推理和科学图表的理解方面。

除此之外，Grok-1.5V 还展示了如何将复杂的流程图转化为Python代码，通过一个简单的猜数字游戏应用案例，进一步证明了其在实际应用中的广泛适用性和高效能力。

#人工智能 #多模态模型 #真实世界应用 #技术创新 #基准测试

阅读更多：

https://x.ai/blog/grok-1.5v

Archetype AI 推出物理世界AI平台Newton™

Archetype AI最近推出了其创新平台Newton™，这是一款专为理解和互动物理世界而设计的人工智能基础模型。Newton™的核心特色在于其能够整合来自全球数十亿传感器的实时物理数据，如雷达、摄像头、加速度计等，为用户提供对其周围环境的深入洞察。

与传统的文本和图像分析AI不同，Newton™通过多模态数据融合技术，将不同传感器的数据编码到一个统一的嵌入空间，从而实现对物理事件的动态理解和实时响应。用户可以通过自然语言向Newton™提出问题或发出命令，系统能智能地解析并回应，增强了交互的便利性和效率。

此外，Newton™的应用范围广泛，已经被运用于建筑安全、车辆状况监测、家庭安全及能效提升、物流和供应链优化等多个领域。例如，通过内置运动传感器的应用，可以实时监测并报告包裹的状态，确保物品安全。

技术的高度定制化和隐私保护也是Newton™的一大特点。企业可以选择在自家的基础设施上部署Newton™，确保数据的私密性，同时可以根据特定需求对模型进行定制和优化。此外，Newton™支持边缘部署，适用于需要快速、本地化决策的场景。

#人工智能 #物理数据 #多模态融合 #实时响应 #智能交互

阅读更多：

https://www.archetypeai.io/blog/introducing-archetype-ai---understand-the-real-world-in-real-time

福布斯人工智能50强榜单发布

在第六届福布斯人工智能50强榜单中，从1900家申请公司中脱颖而出的顶级公司展现了人工智能行业的发展活力和广泛应用。今年的榜单由OpenAI、Anthropic、Databricks等行业巨头领衔，他们的市场估值和广泛的客户群体证明了AI技术的成熟和商业价值。

从投资角度看，尽管资本市场整体承压，AI领域依旧热度不减，50强公司总共募集资金高达347亿美元。此外，榜单还关注了一些新兴的创新企业，如Abridge和Harvey等，这些公司专注于 niche应用，如自动记录医疗对话或法律文档处理，显示出AI在专业服务领域的深入渗透。

报告指出，AI技术正逐渐改变企业运营模式和消费者体验，尤其是生成式AI技术的兴起，正重塑用户界面（UI）和用户体验（UX）。未来，AI不仅会在现有企业应用中占据更大的比重，还将推动全新的用户体验创新。

#人工智能 #福布斯AI50 #技术投资 #创新应用 #市场趋势

阅读更多：

https://www.sequoiacap.com/article/ai-50-2024/

https://www.forbes.com/lists/ai50/?sh=388fb604290f

AI 研发动态

突破性记忆模型：密集关联记忆模型（CDAM）的研究进展

随着神经网络和机器学习领域的迅速发展，研究者们一直在寻找能够更有效处理复杂记忆模式的新方法。传统的神经网络模型虽然在许多应用中表现出色，但在处理连续值记忆模式和复杂动态系统时，仍面临诸多挑战。为了解决这些问题，研究者提出了一种新型的密集关联记忆模型（CDAM），该模型集成了自动关联和异质关联两种机制，能够在统一的框架下处理记忆模式。

CDAM利用任意图结构来语义地链接记忆模式，通过理论和数值分析揭示了四种不同的动态模式：自动关联、窄范围异质关联、宽范围异质关联和中性静息。模型还展示了如何通过调整自动关联和异质关联的平衡，精确控制记忆的回忆范围，这对于处理真实世界数据和复杂序列具有重要意义。

CDAM不仅成功模拟了神经科学实验，还在图像检索和有限自动机模拟中表现出色。此外，该模型在多尺度社区结构提取和视频数据序列记忆方面的应用，展现了其作为一个强大的工具在多个领域的潜力。通过对CDAM的进一步研究，研究者希望能够更深入地理解大脑如何处理和存储复杂的信息。

#密集关联记忆模型 #记忆模式处理 #神经网络 #自动关联 #异质关联

阅读论文：

Burns, T. F. (2024). Semantically-correlated memories in a dense associative model (arXiv:2404.07123). arXiv. https://doi.org/10.48550/arXiv.2404.07123

ChatGPT在生物信息学图形解读中展现潜力

随着大语言模型（LLM）基础的聊天机器人技术的发展，其在生物信息学数据分析中的应用开始显现出前景。尤其是GPT-4V版本引入了图像输入功能，这为科学图形的解读提供了新的可能性。最新研究通过在癌症研究中的应用实例，评估了该技术在解释序列数据分析、多模态网络药物重新定位及肿瘤克隆演化图表中的表现。

结果显示，虽然GPT-4V能够精确识别和解释不同类型的图表，但在颜色感知和视觉元素的量化分析方面存在缺陷。此外，尽管GPT-4V能够起草图例和总结发现，但其在没有详细指导的情况下，仍倾向于依赖直接的图形内容反馈。这表明在使用此技术进行科学图形解读时，严格的校对和专家的参与验证是必不可少的。研究还指出，机器人在处理图表的手动编辑元素时表现不佳，如定位分析和颜色识别，这进一步凸显了其在处理更复杂数据时的限制。研究发表在Npj Precision Oncology上。

#生物信息学 #聊天机器人 #图形解读 #颜色感知 #人机协同

阅读更多：

Wang, J., Ye, Q., Liu, L., Guo, N. L., & Hu, G. (2024). Scientific figures interpreted by ChatGPT: Strengths in plot recognition and limits in color perception. Npj Precision Oncology, 8(1), 1–8. https://doi.org/10.1038/s41698-024-00576-z

BioBBC：增强生物医学实体检测的多特征模型

随着生物医学出版物的快速增加，自动处理生物医学命名实体识别（BioNER）任务变得尤为重要。传统方法在处理生物医学领域非结构化文本中的实体识别时面临诸多挑战，主要是由于生物医学实体名称的复杂性以及缩写的频繁使用。最新研究中提出了一种深度学习模型BioBBC，该模型基于BERT-BiLSTM-CRF架构，采用多特征嵌入技术，专门为BioNER任务设计。

BioBBC模型包含三个主要层次：嵌入层、长短时记忆（Bi-LSTM）层和条件随机场（CRF）层。该模型输入生物医学领域的句子，通过四种嵌入方式（词性标注嵌入、字符级嵌入、BERT嵌入和数据特定嵌入）生成丰富的上下文表示向量，从而识别文本中提到的生物医学实体。BiLSTM层进一步产生语法和语义特征表征，而CRF层则确定输入句子最佳的标签序列。

在与多个基线模型（如TaggerOne33、BioBERT19等）的比较中，BioBBC在多个生物医学数据集（包括疾病、化学/药物和基因数据集）上显示出卓越的性能。例如，在BC5CDR-Disease数据集上，BioBBC的F1得分较最佳现有得分提高了1.32%。此外，对不同预训练BERT模型的比较显示，使用特定于生物医学领域的词汇表的模型（如PubMedBERT和SciBERT）在BioNER任务中表现更佳。研究发表在Scientific Reports上。

#BioNER #BioBBC #深度学习 #生物医学 #命名实体识别

阅读论文：

Alamro, H., Gojobori, T., Essack, M., & Gao, X. (2024). BioBBC: A multi-feature model that enhances the detection of biomedical entities. Scientific Reports, 14(1), 7697. https://doi.org/10.1038/s41598-024-58334-x

关于检索增强生成（RAG）的全面调查

近年来，人工智能生成内容（AIGC）技术取得了显著的进展，特别是在文本、图像和视频等多种模态的内容生成方面。北京大学的研究团队对检索增强生成（RAG）系统进行了深入的研究，旨在通过结合检索和生成过程来提升内容的相关性和准确性。该团队不仅回顾了RAG的基础理论和现有的增强方法，还探讨了其在多个领域的实际应用，如自动文本生成、图像内容描述以及视频内容解读。

RAG系统通过一个称为“检索器”的组件来获取相关信息，然后通过“生成器”组件产生内容。这种结合检索和生成的方法能够显著提高生成内容的质量，使其更加准确和具有针对性。此外，研究还涉及了如何通过不断改进这些系统来解决它们的可扩展性和适应性问题。

尽管RAG技术已经在多个应用场景中表现出色，但仍存在一些局限性，如处理大规模数据时的挑战以及系统复杂性的管理。研究人员提出了未来的研究方向，包括进一步优化检索和生成过程的交互，以及开发新的基准框架来评估RAG系统的表现。

#人工智能生成内容 #检索增强生成 #内容生成

阅读更多：

Zhao, P., Zhang, H., Yu, Q., Wang, Z., Geng, Y., Fu, F., Yang, L., Zhang, W., & Cui, B. (2024). Retrieval-Augmented Generation for AI-Generated Content: A Survey (arXiv:2402.19473). arXiv. https://doi.org/10.48550/arXiv.2402.19473

STORM：自动化创作深度长篇内容

斯坦福大学近日推出了一项名为STORM的技术，这一系统能够自动化地从头开始编写具有广度和深度的长篇文章，类似于维基百科的内容。这一技术通过互联网搜索自动搜集资料，并能模拟专家与作者之间的对话，生成结构化的文章大纲，最终编写出完整且有组织的文章。此外，STORM还具备润色功能，能改进语句结构，确保文章的流畅性和准确性。

在传统的写作流程中，写作前的研究是一项耗时且复杂的任务，STORM通过自动化这一过程显著提高了写作效率。系统不仅能高效地收集和组织所需的信息，还能从多个视角出发提问和探索，这是生成全面且深入文章的关键。

STORM模拟的对话场景仿佛是专家和作者之间的互动，有助于更好地理解信息并产生更精准的后续问题。在收集到足够的信息后，STORM会组织这些信息成一个有逻辑的文章大纲，为文章撰写提供框架。根据大纲和收集到的资料，系统不仅能生成完整的文章，还会进行后续的润色过程，例如去除重复信息、增加总结部分等，以优化文章内容。

#自动化写作 #技术创新 #斯坦福大学 #长篇内容 #文章润色

阅读论文：

Shao, Y., Jiang, Y., Kanell, T. A., Xu, P., Khattab, O., & Lam, M. S. (2024). Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models (arXiv:2402.14207). arXiv. https://doi.org/10.48550/arXiv.2402.14207

项目地址：

https://github.com/stanford-oval/storm

整理｜ChatGPT

编辑｜丹雀 & 存源

追问互动

○如果您对本期内容有进一步想要追问的问题或者讨论的内容，欢迎在评论区留言，或者扫描二维码添加追问微信号，发送自我介绍，加入我们的社群参与互动。如需转载，还请留言。